Pandas ist eine leistungsstarke Python-Bibliothek, die häufig zur Datenmanipulation und -analyse eingesetzt wird. Eine gängige Operation ist das Ersetzen von Spaltenwerten anhand bestimmter Kriterien, beispielsweise durch Bedingungsanalyse oder Zuordnung zu anderen Werten. In diesem Artikel erfahren Sie, wie Sie diese Operation mithilfe der Pandas-Bibliothek effektiv anwenden. Ob Sie Data Scientist, Programmierer oder Modeexperte sind und sich mit datengetriebenen Modetrends beschäftigen – dieses Wissen ist für Sie von unschätzbarem Wert.
Der Schlüssel zum Verständnis dieser Operation liegt in der Beherrschung der integrierten Funktionen, die von der Pandas-Bibliothek bereitgestellt werden. Insbesondere werden wir uns auf die Verwendung der Funktionen „replace()“, „map()“ und „apply()“ konzentrieren, um Spaltenwerte basierend auf verschiedenen Kriterien zu manipulieren.
import pandas as pd
# Sample data
data = {'Fashion_Style': ['Boho', 'Grunge', 'Preppy', 'Vintage', 'Athleisure'],
'Colors': ['Earthy tones', 'Dark shades', 'Bright tones', 'Muted tones', 'Monochrome']}
df = pd.DataFrame(data)
# Replacing column values
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
print(df)
Schritt-für-Schritt-Erklärung des Codes
1. Zuerst importieren wir die Pandas-Bibliothek als „pd“. Dies ist eine gängige Konvention und erlaubt es uns, Pandas-Funktionen mit der Abkürzung „pd“ aufzurufen.
2. Als nächstes erstellen wir ein Wörterbuch namens „data“, das die Spalten „Fashion_Style“ und „Colors“ sowie ihre jeweiligen Werte enthält.
3. Wir erstellen dann einen DataFrame namens „df“ unter Verwendung der Funktion „pd.DataFrame()“ mit dem Wörterbuch „data“ als Argument.
4. Danach verwenden wir die Funktion „replace()“, um bestimmte Werte in der Spalte „Colors“ zu ersetzen. In unserem Beispiel ersetzen wir „Erdige Töne“ durch „Warme Töne“ und „Monochrom“ durch „Kontrasttöne“.
5. Schließlich drucken wir den aktualisierten DataFrame „df“, um das Ergebnis zu überprüfen.
Eingebaute Pandas-Funktionen zum Ersetzen von Spaltenwerten
Pandas bietet mehrere integrierte Funktionen zum Arbeiten mit Spaltenwerten in DataFrames. Unter diesen haben wir `replace()`, `map()` und `apply()` als besonders nützlich identifiziert, wenn es darum geht, Spaltenwerte basierend auf verschiedenen Bedingungen zu ersetzen.
replace() : Diese Funktion dient zum Ersetzen bestimmter Werte in einem DataFrame oder einer Series. Sie kann auf eine bestimmte Spalte oder den gesamten DataFrame angewendet werden und unterstützt reguläre Ausdrücke für erweiterte Mustervergleiche.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
map() : Die Funktion `map()` ähnelt `replace()`, wendet aber eine vorgegebene Funktion oder ein Wörterbuch auf jedes Element einer Series an. Dies ist nützlich, wenn Sie Spaltenwerte anhand bestimmter Regeln neuen Werten zuordnen müssen.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
apply() : Die Funktion `apply()` ist ein leistungsstarkes Werkzeug, das eine gegebene Funktion entlang einer Achse des DataFrames anwendet. Sie kann auf den gesamten DataFrame oder auf bestimmte Spalten angewendet werden, um eine Vielzahl von Transformationen zu erzielen.
def update_colors(color_value):
if color_value == 'Earthy tones':
return 'Warm tones'
elif color_value == 'Monochrome':
return 'Contrast tones'
else:
return color_value
df['Colors'] = df['Colors'].apply(update_colors)
Mit diesen Funktionen sind Sie nun bereit, verschiedene Datenbearbeitungsaufgaben in Pandas anzugehen, z. B. das Ersetzen von Spaltenwerten in DataFrames. Dieses Wissen ist nicht nur auf dem Gebiet der Datenwissenschaft und Programmierung anwendbar, sondern erweist sich auch als nützlich bei der Analyse moderner Modestile, der Identifizierung aufkommender Trends und dem Verständnis der historischen Bedeutung verschiedener Stile und Farben.
